Apprentissage par circuit quantique de la volatilité réalisée du Bitcoin

Résumé

Cette étude modélise la volatilité réalisée du Bitcoin à l’aide d’un circuit quantique paramétré et examine si la série générée reflète les caractéristiques statistiques observées dans les données de marché. À partir de prix du Bitcoin relevés toutes les cinq minutes, les auteurs calculent la volatilité réalisée quotidienne, entraînent un circuit à un qubit et l’utilisent pour générer une longue série synthétique. Ils appliquent l’analyse multifractale des fluctuations sans tendance pour étudier le comportement d’échelle, notamment les exposants de Hurst généralisés, les spectres multifractals et les exposants d’échelle.

La série de rendements prédite présente un exposant de Hurst du second ordre proche d’un demi, ce qui correspond à une dynamique presque aléatoire. Les rendements prédits et empiriques montrent tous deux une multifractalité qui persiste en partie après mélange aléatoire, tandis que les variations de volatilité réalisée sont fortement antipersistantes, conformément à l’hypothèse de volatilité rugueuse. Les résultats suggèrent que certaines propriétés de la volatilité du Bitcoin sont reproduites qualitativement. Le document ne rapporte ni précision de prévision par rapport aux modèles classiques ni preuve de rentabilité en trading, et ses conclusions concernent un circuit simple et un seul actif.

Idées clés

• Un circuit quantique paramétré à un qubit est entraîné pour modéliser la volatilité réalisée du Bitcoin.
• La volatilité réalisée quotidienne est calculée à partir de prix du Bitcoin relevés toutes les cinq minutes.
• L’analyse multifractale des fluctuations sans tendance évalue les propriétés de la série générée.
• Selon l’exposant de Hurst du second ordre rapporté, les rendements prédits semblent presque aléatoires et conservent une multifractalité partielle après mélange aléatoire.
• Les variations de volatilité réalisée présentent une forte antipersistence, compatible avec une volatilité rugueuse.

Étiquettes

# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series


# Quantum Circuit Learning for Volatility Modeling: Multifractal Analysis of Realized Volatility Time Series









Herein, we propose a quantum circuit learning framework for modeling the realized volatility (RV) of Bitcoin and investigate the statistical properties of the predicted time series through multifractal analysis. Unlike conventional GARCH-type models, which require a pre-specified functional form for the volatility process, a parameterized quantum circuit directly approximates the volatility function from empirical data, eliminating the need for explicit model selection. Using five-minute Bitcoin price data, we construct daily RV, train a single-qubit parameterized quantum circuit, and generate a long synthetic time series from the optimized quantum circuit. Multifractal Detrended Fluctuation Analysis is applied to calculate the generalized Hurst exponent $h(q)$, the singularity spectrum $f(α)$, and the multifractal scaling exponent $τ(q)$. The predicted return series exhibits $h(2)\approx 0.5$, consistent with near-random dynamics, and both the predicted and the empirical return series display multifractality that partially persists after random shuffling. The increment series of RV shows pronounced anti-persistence with $h(2)\approx 0.05$--$0.1$, consistent with the rough volatility hypothesis. These results demonstrate that a simple single-qubit parameterized quantum circuit captures qualitatively some observed properties in Bitcoin volatility dynamics.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.